CN117421816B - 一种构筑物的长期变形智能预测方法及装置 - Google Patents
一种构筑物的长期变形智能预测方法及装置 Download PDFInfo
- Publication number
- CN117421816B CN117421816B CN202311745878.3A CN202311745878A CN117421816B CN 117421816 B CN117421816 B CN 117421816B CN 202311745878 A CN202311745878 A CN 202311745878A CN 117421816 B CN117421816 B CN 117421816B
- Authority
- CN
- China
- Prior art keywords
- information
- model
- processing
- data
- carrying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007774 longterm Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000004088 simulation Methods 0.000 claims abstract description 66
- 238000013178 mathematical model Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 38
- 230000010354 integration Effects 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 20
- 230000007246 mechanism Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Structural Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Civil Engineering (AREA)
Abstract
本发明提供了一种构筑物的长期变形智能预测方法及装置,涉及桥梁工程技术领域,包括:获取第一信息、第二信息和第三信息,第一信息包括构筑物的随机因素样本集,第二信息包括构筑物的户外实验数据集;根据第一信息计算得到第四信息;根据第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息;根据第五信息对第二信息进行预测处理得到第六信息;根据第六信息和第三信息进行数值模拟处理得到第七信息,第七信息为构筑物的长期变形数据。本发明通过对输入序列赋予不同权重,突出更重要的信息,能够有效地学习了收缩徐变序列中长距离的相互依赖关系。
Description
技术领域
本发明涉及桥梁工程技术领域,具体而言,涉及一种构筑物的长期变形智能预测方法及装置。
背景技术
随着我国交通基础设施建设快速发展,钢-混凝土组合桥梁以其整体性能好、跨越能力强、行车平顺、工程造价低等优势,在桥梁工程领域得到了广阔的应用前景。在钢-混凝土组合桥梁运营期间,主梁的长期变形预测是工程界重点关注的问题,这也成为限制该类桥梁进一步发展的关键技术难题。钢-混凝土组合桥梁长期变形与混凝土收缩徐变密切相关,现有的混凝土结构的长期变形主要建立在确定性收缩徐变模型基础上,这种方法在设计中所采用的计算参数带有一定的经验成分,无法真实反映结构的变形能力和应力水平的变异性,特别是对于大跨径桥梁,变形预测的计算结果常常存在较大误差。
针对现有技术的不足,亟需一种构筑物的长期变形智能预测方法及装置。
发明内容
本发明的目的在于提供一种构筑物的长期变形智能预测方法及装置,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种构筑物的长期变形智能预测方法,包括:
获取第一信息、第二信息和第三信息,所述第一信息包括构筑物的随机因素样本集,所述第二信息包括构筑物的户外实验数据集,所述第三信息包括构筑物的结构设计参数和材料属性,所述构筑物为钢-混凝土组合桥梁;
根据所述第一信息计算得到第四信息,第四信息包括徐变系数和收缩应变样本数据;
根据所述第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,所述第五信息包括收缩徐变预测模型;
根据所述第五信息对所述第二信息进行预测处理得到第六信息,所述第六信息包括长期收缩徐变曲线;
根据所述第六信息和所述第三信息进行数值模拟处理得到第七信息,所述第七信息为构筑物的长期变形数据。
另一方面,本申请还提供了一种构筑物的长期变形智能预测装置,包括:
获取模块,用于获取第一信息、第二信息和第三信息,所述第一信息包括构筑物的随机因素样本集,所述第二信息包括构筑物的户外实验数据集,所述第三信息包括构筑物的结构设计参数和材料属性;
计算模块,用于根据所述第一信息计算得到第四信息,第四信息包括徐变系数和收缩应变样本数据;
构建模块,用于根据所述第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,所述第五信息包括收缩徐变预测模型;
预测模块,用于根据所述第五信息对所述第二信息进行预测处理得到第六信息,所述第六信息包括长期收缩徐变曲线;
模拟模块,用于根据所述第六信息和所述第三信息进行数值模拟处理得到第七信息,所述第七信息为构筑物的长期变形数据。
本发明的有益效果为:
本发明通过结合深度学习算法和随机性分析解决了由短期收缩徐变材料试验数据来预测桥梁结构长期变形的问题。其中深度学习算法能够处理复杂的高维数据,学习数据中隐藏的模式和关系,而随机性分析则为预测提供了考虑不确定因素的能力,能够更准确地预测大跨径桥梁的长期变形,减少误差;通过对输入序列赋予不同权重,突出更重要的信息,能够有效地学习收缩徐变序列中长距离的相互依赖关系。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的构筑物的长期变形智能预测方法流程示意图;
图2为本发明实施例中所述的构筑物的长期变形智能预测装置结构示意图;
图3为本发明实施例中所述的GSA模型的流程图;
图4为本发明实施例中所述的GSA模型的网络结构图;
图5为本发明实施例中所述的GRU模型的网络结构图;
图6为本发明实施例中所述的GSA模型对徐变系数的预测值与试验值的对比图;
图7为本发明实施例中所述的GSA模型对收缩徐变的预测值与试验值的对比图;
图8为本发明实施例中所述的钢桁加劲连续刚构桥跨中长期变形图。
图中标记:1、获取模块;2、计算模块;3、构建模块;31、第一处理单元;32、第一提取单元;33、第一计算单元;34、第一转换单元;35、第二处理单元;4、预测模块;41、第三处理单元;42、第二计算单元;43、第四处理单元;44、第三计算单元;5、模拟模块;51、第一构建单元;511、第五处理单元;512、第六处理单元;513、第一配置单元;514、第一集成单元;5141、第二整合单元;5142、第二分析单元;5143、第二模拟单元;5144、第一评估单元;52、第一模拟单元;53、第一整合单元;54、第一分析单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种构筑物的长期变形智能预测方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取第一信息、第二信息和第三信息,第一信息包括构筑物的随机因素样本集,第二信息包括构筑物的户外实验数据集,第三信息包括构筑物的结构设计参数和材料属性,构筑物为钢-混凝土组合桥梁。
需要说明的是,随机因素样本集涵盖了影响桥梁长期变形的随机因素,如徐变模型随机因子、收缩模型随机因子、混凝土强度随机因子和环境相对湿度随机因子。这些因素的随机样本集是通过假设这些因素服从均匀分布并应用Monte Carlo抽样方法获得的,旨在反映实际环境和材料属性中的随机性和不确定性。桥梁的户外实验数据包括徐变和收缩试验结果,这些数据通过在桥梁现场进行的实验获得。钢-混凝土组合桥梁的结构设计参数和材料属性包括钢-混凝土组合桥梁的设计图纸、材料规格书等。本步骤确保了数据集的全面性和代表性,有助于模型准确反映实际情况的复杂性和不确定性。
步骤S200、根据第一信息计算得到第四信息,第四信息包括徐变系数和收缩应变样本数据。
可以理解的是,本步骤将收集到的随机因素样本,如徐变模型随机因子、收缩模型随机因子等,代入fib2010规范的收缩徐变公式中,计算出一系列的徐变系数和收缩应变样本数据,这些系数和应变数据将被用于后续的深度学习模型训练。本步骤通过精确计算徐变系数和收缩应变为模型提供了一个高度准确和全面的数据基础。这些数据反映了不同随机因素对桥梁长期变形的影响,是建立有效预测模型的关键。
步骤S300、根据第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,第五信息包括收缩徐变预测模型。
需要说明的是,如图3、图4和图5所示,本步骤构建一个具有自注意力机制(Self-Attention)的门控循环神经网络(GRU),时序自注意力机制模型(即收缩徐变预测模型),简称GSA模型。这个模型包括输入层、GRU层、自注意力机制层和输出层。利用徐变系数序列和收缩应变序列以及随机因子(如徐变模型随机因子、收缩模型随机因子等)作为训练数据,对GSA模型进行训练。模型通过调整各层的权重和超参数,学习并掌握这些序列与随机因子之间的映射关系。GSA模型结合了门控循环神经网络和自注意力机制,可以更加有效地学习收缩徐变序列中的长距离依赖关系,从而提高预测的准确性。
需要说明的是,步骤S300包括步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。
步骤S310、根据第四信息进行序列化处理得到时间序列数据。
具体地,输入层将数据集中的收缩徐变系数序列 ,/>,……, 作为输入 /> 。
;
其中,(,/> ,……,/> )为徐变系数;( />,/>,……,/> )为收缩应变;/>为收缩徐变系数序列。
步骤S320、根据时间序列数据进行特征提取处理得到特征向量。
具体地,GRU层对输入的收缩徐变应变序列进行特征向量学习,网络内部的运算如下所示:
;
;
;
;
;
;
其中, 表示输入的收缩徐变时序序列;/> 表示重置门;/> 表示更新门;/>表示备选状态输出;/> 表示当前状态的输出; /> 、/> 和/> 分别表示重置门、更新们和备选状态的权重;/> 表示上一时刻隐藏状态的输出;/> 表示sigmoid函数,为激活函数;/> 表示双曲正切函数,也为激活函数。
步骤S330、根据特征向量进行创建查询、键和值的方式计算并更新注意力权重,得到加权的上下文向量。
具体地,自注意力机制层的输入为收缩徐变时序序列经过GRU层激活处理的输出向量,在本层中根据权重分配原则计算不同特征向量对应的概率,不断更新迭代出较优的权重参数矩阵。自注意力机制层网络内部运算如下所示:
首先通过线性变换为收缩徐变时序序列经过GRU层的输出创建对应的查询(Q)、键(K)和值(V):
;
;
;
其中, 、/> 、/> 分别表示查询向量、键向量和值向量的输出值;/>、/>、分别表示线性变换中查询(Q)、键(K)和值(V)的权重矩阵;/> 表示GRU层的输出向量;、/>、/>分别表示线性变换中查询(Q)、键(K)和值(V)的偏置。
然后计算收缩徐变时序序列经GRU层后的序列的注意力权重,计算查询向量Q与键向量K的相似度,即查询Q对于每个时间步的重要性,然后采用softmax函数将相似度分数转化为概率分布。
;
其中, 表示注意力权重;/> 表示查询向量Q与键向量K的点积,即两者的相似度。
最后计算上下文向量(自注意力层的输出):将注意力权重与值向量V相乘,并加权求和得到上下文向量。/>;
其中, 为上下文向量;/> 为注意力权重;/> 为值向量;i为序号;t为时间。
步骤S340、基于深度学习数学模型中的输出层对上下文向量进行全连接网络处理,利用线性变换和激活函数将特征向量进行转换得到预测结果。
具体地,输出层通过全连接层进行计算预测并输出预测结果,输出层的计算公式如下所示: ;
其中, 为预测结果;/> 表示全连接层的权重矩阵;/> 为上下文向量;/>表示全连接层的偏置。
步骤S350、根据预测结果和深度学习数学模型进行训练处理,通过利用Adam优化器进行反向传播、权重更新和参数更新得到第五信息。
具体地,将数据集划分为训练集和验证集,使用GSA模型进行训练,对各层超参数进行设置,使GSA模型能够学习收缩徐变序列与随机因子的映射关系。在训练过程中,对于每个训练样本,通过前向传播计算模型的预测输出,为了评估预测输出和真实输出的区别,需要计算损失函数,记录单个训练周期的损失函数值,同时计算相邻训练周期损失函数的差值,判断是否小于设定的精度(即学习率)ε=0.001,将其作为收敛条件。在本发明中使用均方根误差(Mean Squared Error, MSE)作为损失函数,计算公式如下所示: ;
其中,为均方根误差;i为样本序号;n为样本总个数;/>为真实值;/>为模型输出值。
然后通过反向传播,计算损失函数关于模型参数的梯度,再使用Adam优化器(adaptive moment estimation)对模型参数进行优化更新。本发明的时序自注意力机制(GSA)模型的网络架构以及模型训练的过程,对应于图3的模型训练部分,得到收缩徐变序列与随机因子的映射关系,该模型将作为后续模型测试与长期变形预测的基础。
步骤S400、根据第五信息对第二信息进行预测处理得到第六信息,第六信息包括长期收缩徐变曲线。
可以理解的是,模型将利用其学习到的徐变系数和收缩应变之间的关系,预测长期的收缩徐变行为。这些预测结果将形成长期收缩徐变曲线,为桥梁的长期性能分析提供关键信息。与传统的确定性计算方法相比,GSA模型考虑了更多的变量和随机因子,能够更全面地捕捉徐变和收缩现象的复杂性,从而提供更可靠的预测结果。
需要说明的是,步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、根据第二信息进行数据清洗处理得到实验数据集。
步骤S420、根据实验数据集计算得到时间序列数据。
具体地,在桥梁现场开展室外收缩徐变试验,混凝土配合比采用桥梁主梁C55的配合比,徐变和收缩试验同时制作三个试件,采用千分表记录试件的应变,计算公式如下:
;
;
其中, 为徐变系数序列;/> 表示徐变试件的测量应变;/> 表示徐变试件加载后的瞬时弹性应变;/> 表示收缩试件的测量应变;/> 表示徐变试件加载后的瞬时弹性应变;/>表示混凝土的热膨胀系数;/> 表示计算龄期时的环境温度;/> 表示徐变加载时的环境温度;/> 为收缩应变序列。
步步骤S430、根据第五信息对时间序列数据进行前向传播和特征识别处理,得到随机因子参数。
步骤S440、根据随机因子参数和预设的规范转换数学模型计算得到第六信息。
具体地,试验测得的徐变系数序列 与收缩应变序列 /> 作为输入代入训练好的GSA模型,得到试验随机因子(r1,r2,r3,r4),对应于图4的模型测试部分。并将随机因子代入fib2010规范公式获得收缩徐变长期发展规律。在该过程中得到了收缩徐变试验对应的随机因子和收缩徐变的长期发展规律,为后续的全桥长期变形预测提供材料层面的长期本构模型。
其中,由步骤S440计算得到的第六信息结果(即GSA模型的预测值)与户外实验测试值的对比如图6和图7所示。
选取R2与RMSE作为模型评估指标,其中R2表示决定系数,是一个衡量自变量与因变量之间相关性,以及模型拟合效果和参数估计的指标,其取值在0~1之间,其值越大表示模型精度越高;RMSE表示均方根误差,是一个衡量预测模型在连续性数据上的预测精度的指标,它衡量了预测值与真实值之间的均方根差异,表示预测值与真实值之间的平均偏差程度。计算公式如下所示,
;
;
其中, 为真实值;/> 为模型预测值;/> 为真值的平均值;n为样本的总数;i为样本的序号。
由图6可知,图6为GSA模型对徐变系数的预测值与试验值的对比图,GSA模型对徐变系数的预测值与试验值的变化趋势一致,R2与RMSE分别为0.88和0.23;由图7可以看出,图7为GSA模型对收缩徐变的预测值与试验值的对比图,GSA模型对收缩应变的预测值与试验值的变化趋势一致,R2与RMSE分别为0.86和0.43,可知GSA模型对收缩徐变的试验值的预测效果十分良好。
步骤S500、根据第六信息和第三信息进行数值模拟处理得到第七信息,第七信息为构筑物的长期变形数据。
可以理解的是,该过程中利用有限元软件(如Midas Civil)建立桥梁的数值模型,即全桥有限元模型。将长期收缩徐变曲线(GSA模型的预测结果)嵌入模型中,进行数值模拟,以评估桥梁在长期使用过程中的变形行为。图8为钢桁加劲连续刚构桥跨中位移增量的长期发展规律图,由图可以看出,使用GAS模型和fib2010规范预测的跨中位移增量长期发展趋势一致,在成桥后三年前,位移增量的增长趋势较快,三年后趋势减缓。但是,使用GSA模型预测的位移增量明显大于fib2010规范,在成桥后二十年时,使用GSA模型预测的桥梁跨中位移增量接近14.2mm,比fib2010规范预测的12.2mm大16.4%。说明本发明所提GSA模型预测精度更高,更偏安全。
需要说明的是,步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、根据第三信息构建得到基础数值模型。
可以理解的是,这个模型能够反映实际桥梁的材料特性与结构响应。优选地,通常会使用有限元分析软件(如Midas Civil)来建立和优化这个数值模型。这一步骤确保了模型准确地反映了桥梁的实际情况,为后续的数值模拟和分析提供了坚实基础。
步骤S520、根据基础数值模型进行施工过程模拟得到初始条件,初始条件包括桥梁施工完成后的初始应力和变形状态。
可以理解的是,考虑到钢-混凝土组合桥梁的独特性,如大跨度、多种材料的结合,施工过程模拟应涵盖针对这些特点的具体操作,例如悬臂浇筑、钢桁架安装等。初始条件可以揭示结构在竣工时的真实状态,对预测其未来表现提供关键线索。
步骤S530、根据基础数值模型和第六信息中的长期收缩徐变曲线进行数据整合处理得到更新后的基础数值模型,并基于初始条件进行数值模拟处理得到长期变形模拟结果。
可以理解的是,本步骤将深度学习模型预测的未来收缩徐变趋势融入到桥梁的具体结构模型中。基于这个更新后的数值模型,进行长期变形的数值模拟。这一模拟考虑了桥梁从施工完成到长期运营期间可能经历的所有关键变形阶段,确保了预测的全面性和深度。
步骤S540、根据长期变形模拟结果进行数据分析处理得到构筑物的长期变形数据。
可以理解的是,分析过程涉及统计方法、误差分析和模式识别等技术,以确保数据的科学性和有效性。通过这一数据分析过程,转化模拟结果为实际工程应用中可用的长期变形数据。这些数据提供了关于桥梁在其预期使用寿命内可能经历的变形情况的详细信息。
需要说明的是,步骤S510包括步骤S511、步骤S512、步骤S513和步骤S514。
步骤S511、根据第三信息中的结构设计参数利用预设的几何建模数学模型进行模型创建处理得到三维模型。
可以理解的是,在这个过程中,桥梁的每个结构元素,如主梁、桥墩、支座等,都被精确地建模,包括它们的尺寸、位置和连接方式。这一步骤不仅仅是将二维设计图纸转换为三维模型,而是涉及到对桥梁结构的深度理解和解析,确保每个细节都能在模型中得到精确体现。这样,所得到的三维模型不仅准确反映了桥梁的实际结构,还能够在后续的分析中准确地模拟桥梁在各种荷载和环境条件下的响应。
步骤S512、根据第三信息中的设计使用条件和地理环境进行加载条件和边界条件的设定处理,得到桥梁的工作环境模拟参数,工作环境模拟参数包括载荷和支座约束。
可以理解的是,这个过程涉及深入分析桥梁的实际使用条件,包括地理位置带来的环境影响(如温度变化、风载、雪载)和日常使用中的荷载(如车辆重量、行驶频率)。特别地,对于支座约束的设定,这不仅是将理论参数转换为模型输入,更是对桥梁支座系统实际工作方式的深入理解和精准模拟。例如,支座的类型和布置方式将直接影响桥梁在荷载作用下的应力分布和变形情况。本步骤确保了数值模型不仅在理论上完善,也在实际工程应用中高度可靠,为之后的长期变形分析提供了坚实的基础。通过这种综合考虑实际使用和环境条件的方法,为桥梁设计和维护提供了关键的技术支持。
步骤S513、根据第三信息中的材料属性和工作环境模拟参数进行力学性能参数的配置处理,得到反应桥梁响应特性的力学参数,力学参数包括弹性模量和抗剪强度。
可以理解的是,弹性模量、抗剪强度等力学参数是决定桥梁响应特性的核心因素。通过这种配置,确保数值模型能够真实反映桥梁材料在各种实际条件下的行为。
步骤S514、根据三维模型、工作环境模拟参数和力学参数进行集成处理,并进行模型验证处理得到基础数值模型。
可以理解的是,集成过程不仅涉及到数据层面的合并,还包括确保各种参数和模型部分在逻辑上的一致性和物理上的合理性。模型验证是指通过一系列测试和比较,确认数值模型能够准确地模拟桥梁在实际条件下的行为。需要说明的是,步骤S514包括步骤S5141、步骤S5142、步骤S5143和步骤S5144。
步骤S5141、根据三维模型和工作环境模拟参数进行数据整合处理,通过将几何数据与环境因素结合,并将力学参数纳入模型得到初步数值模型。
可以理解的是,这一过程的确保模型不仅在几何上精确,而且能够在不同工作环境下反映出真实的桥梁行为。例如,将实际荷载条件如车辆重量、行驶频率等因素与桥梁的物理结构相结合,可以帮助模型更准确地模拟桥梁在实际使用中的应力和变形情况。同时,纳入的力学参数保证了模型在分析桥梁响应时能够考虑到材料的实际力学特性。
步骤S5142、根据初步数值模型进行主成分分析处理,通过优化模型的参数集成得到综合数值模型。
可以理解的是,在构建复杂的工程结构模型时,尤其是像钢-混凝土组合桥梁这样的大型结构,模型中往往会包含大量的参数和变量。这些参数在数量和复杂性上都可能非常高,包括几何参数、材料特性、环境影响因素等。主成分分析(PCA)是一种统计技术,它可以识别和提取这些大量参数中最关键的几个,这些关键参数是影响桥梁行为的主要因素。通过这种方式,模型的复杂性可以得到显著简化,同时仍然保留对桥梁行为的准确描述。
步骤S5143、根据综合数值模型进行力学行为模拟处理,通过预测桥梁在不同工作条件下的响应得到预测数据。
需要说明的是,本步骤利用已优化和综合的数值模型来模拟桥梁在实际运营过程中可能遇到的不同情况,如各种荷载条件、环境变化等,从而得到关于桥梁响应的预测数据。在这个过程中,模型将被用来分析桥梁如何在各种情况下反应,包括正常使用条件下的行为以及极端情况下的性能。例如,模拟可能包括分析桥梁在高交通荷载、强风或极端温度变化等条件下的应力分布、变形情况和潜在的结构问题。
步骤S5144、根据预设的蒙特卡洛模拟数学模型对预测数据进行随机采样和分析处理,通过评估预测数据的概率分布得到评估结果,并基于评估结果进行模型优化处理得到基础数值模型。
可以理解的是,蒙特卡洛模拟在这里的应用是为了评估模型预测的不确定性和可靠性。通过大量的随机抽样,可以得到关于桥梁响应的不同可能结果的统计信息,如预测结果的平均值、标准偏差和置信区间。这样的统计分析不仅揭示了预测结果的概率分布,还有助于识别那些对桥梁行为影响最大的因素。此外,基于这些分析结果,模型可以进一步优化。优化可能包括调整模型参数、改进模拟算法或重新定义某些模型假设,以提高模型的预测精度和适用性。
实施例2:
如图2所示,本实施例提供了一种构筑物的长期变形智能预测装置,装置包括:
获取模块1,用于获取第一信息、第二信息和第三信息,第一信息包括构筑物的随机因素样本集,第二信息包括构筑物的户外实验数据集,第三信息包括构筑物的结构设计参数和材料属性,构筑物为钢-混凝土组合桥梁。
计算模块2,用于根据第一信息计算得到第四信息,第四信息包括徐变系数和收缩应变样本数据。
构建模块3,用于根据第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,第五信息包括收缩徐变预测模型。
预测模块4,用于根据第五信息对第二信息进行预测处理得到第六信息,第六信息包括长期收缩徐变曲线。
模拟模块5,用于根据第六信息和第三信息进行数值模拟处理得到第七信息,第七信息为构筑物的长期变形数据。
在本公开的一种具体实施方式中,构建模块3包括:
第一处理单元31,用于根据第四信息进行序列化处理得到时间序列数据。
第一提取单元32,用于根据时间序列数据进行特征提取处理得到特征向量。
第一计算单元33,用于根据特征向量进行创建查询、键和值的方式计算并更新注意力权重,得到加权的上下文向量。
第一转换单元34,基于深度学习数学模型中的输出层对上下文向量进行全连接网络处理,利用线性变换和激活函数将特征向量进行转换得到预测结果。
第二处理单元35,用于根据预测结果和深度学习数学模型进行训练处理,通过利用Adam优化器进行反向传播和参数更新得到第五信息。
在本公开的一种具体实施方式中,预测模块4包括:
第三处理单元41,用于根据第二信息进行数据清洗处理得到实验数据集。
第二计算单元42,用于根据实验数据集计算得到时间序列数据。
第四处理单元43,用于根据第五信息对时间序列数据进行前向传播和特征识别处理,得到随机因子参数。
第三计算单元44,用于根据随机因子参数和预设的规范转换数学模型计算得到第六信息。
在本公开的一种具体实施方式中,模拟模块5包括:
第一构建单元51,用于根据第三信息构建得到基础数值模型。
第一模拟单元52,用于根据基础数值模型进行施工过程模拟得到初始条件,初始条件包括桥梁施工完成后的初始应力和变形状态。
第一整合单元53,用于根据基础数值模型和第六信息中的长期收缩徐变曲线进行数据整合处理得到更新后的基础数值模型,并基于初始条件进行数值模拟处理得到长期变形模拟结果。
第一分析单元54,用于根据长期变形模拟结果进行数据分析处理得到构筑物的长期变形数据。
在本公开的一种具体实施方式中,第一构建单元51包括:
第五处理单元511,用于根据第三信息中的结构设计参数利用预设的几何建模数学模型进行模型创建处理得到三维模型。
第六处理单元512,用于根据第三信息中的设计使用条件和地理环境进行加载条件和边界条件的设定处理,得到桥梁的工作环境模拟参数,工作环境模拟参数包括载荷和支座约束。
第一配置单元513,用于根据第三信息中的材料属性和工作环境模拟参数进行力学性能参数的配置处理,得到反应桥梁响应特性的力学参数,力学参数包括弹性模量和抗剪强度。
第一集成单元514,用于根据三维模型、工作环境模拟参数和力学参数进行集成处理,并进行模型验证处理得到基础数值模型。
在本公开的一种具体实施方式中,第一集成单元514包括:
第二整合单元5141,用于根据三维模型和工作环境模拟参数进行数据整合处理,通过将几何数据与环境因素结合,并将力学参数纳入模型得到初步数值模型。
第二分析单元5142,用于根据初步数值模型进行主成分分析处理,通过优化模型的参数集成得到综合数值模型。
第二模拟单元5143,用于根据综合数值模型进行力学行为模拟处理,通过预测桥梁在不同工作条件下的响应得到预测数据。
第一评估单元5144,用于根据预设的蒙特卡洛模拟数学模型对预测数据进行随机采样和分析处理,通过评估预测数据的概率分布得到评估结果,并基于评估结果进行模型优化处理得到基础数值模型。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种构筑物的长期变形智能预测方法,其特征在于,包括:
获取第一信息、第二信息和第三信息,所述第一信息包括构筑物的随机因素样本集,所述第二信息包括构筑物的户外实验数据集,所述第三信息包括构筑物的结构设计参数和材料属性,所述构筑物为钢-混凝土组合桥梁;
根据所述第一信息计算得到第四信息,第四信息包括徐变系数和收缩应变样本数据;
根据所述第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,所述第五信息包括收缩徐变预测模型;
根据所述第五信息对所述第二信息进行预测处理得到第六信息,所述第六信息包括长期收缩徐变曲线;
根据所述第六信息和所述第三信息进行数值模拟处理得到第七信息,所述第七信息为构筑物的长期变形数据;
其中,根据所述第六信息和所述第三信息进行数值模拟处理得到第七信息,包括:
根据所述第三信息构建得到基础数值模型;
根据所述基础数值模型进行施工过程模拟得到初始条件,所述初始条件包括桥梁施工完成后的初始应力和变形状态;
根据所述基础数值模型和所述第六信息中的长期收缩徐变曲线进行数据整合处理得到更新后的基础数值模型,并基于所述初始条件进行数值模拟处理得到长期变形模拟结果;
根据所述长期变形模拟结果进行数据分析处理得到构筑物的长期变形数据;
其中,根据所述第三信息构建得到基础数值模型,包括:
根据所述第三信息中的结构设计参数利用预设的几何建模数学模型进行模型创建处理得到三维模型;
根据所述第三信息中的设计使用条件和地理环境进行加载条件和边界条件的设定处理,得到桥梁的工作环境模拟参数,所述工作环境模拟参数包括载荷和支座约束;
根据所述第三信息中的材料属性和所述工作环境模拟参数进行力学性能参数的配置处理,得到反应桥梁响应特性的力学参数,所述力学参数包括弹性模量和抗剪强度;
根据所述三维模型、所述工作环境模拟参数和所述力学参数进行集成处理,并进行模型验证处理得到基础数值模型;
其中,根据所述三维模型、所述工作环境模拟参数和所述力学参数进行集成处理,并进行模型验证处理得到基础数值模型,包括:
根据所述三维模型和所述工作环境模拟参数进行数据整合处理,通过将几何数据与环境因素结合,并将力学参数纳入模型得到初步数值模型;
根据所述初步数值模型进行主成分分析处理,通过优化模型的参数集成得到综合数值模型;
根据所述综合数值模型进行力学行为模拟处理,通过预测桥梁在不同工作条件下的响应得到预测数据;
根据预设的蒙特卡洛模拟数学模型对预测数据进行随机采样和分析处理,通过评估预测数据的概率分布得到评估结果,并基于评估结果进行模型优化处理得到基础数值模型。
2.根据权利要求1所述的构筑物的长期变形智能预测方法,其特征在于,根据所述第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,包括:
根据所述第四信息进行序列化处理得到时间序列数据;
根据所述时间序列数据进行特征提取处理得到特征向量;
根据所述特征向量进行创建查询、键和值的方式计算并更新注意力权重,得到加权的上下文向量;
基于所述深度学习数学模型中的输出层对所述上下文向量进行全连接网络处理,利用线性变换和激活函数将特征向量进行转换得到预测结果;
根据所述预测结果和所述深度学习数学模型进行训练处理,通过利用Adam优化器进行反向传播和参数更新得到第五信息。
3.根据权利要求1所述的构筑物的长期变形智能预测方法,其特征在于,根据所述第五信息对所述第二信息进行预测处理得到第六信息,包括:
根据所述第二信息进行数据清洗处理得到实验数据集;
根据所述实验数据集计算得到时间序列数据;
根据所述第五信息对所述时间序列数据进行前向传播和特征识别处理,得到随机因子参数;
根据所述随机因子参数和预设的规范转换数学模型计算得到第六信息。
4.一种构筑物的长期变形智能预测装置,其特征在于,包括:
获取模块,用于获取第一信息、第二信息和第三信息,所述第一信息包括构筑物的随机因素样本集,所述第二信息包括构筑物的户外实验数据集,所述第三信息包括构筑物的结构设计参数和材料属性,所述构筑物为钢-混凝土组合桥梁;
计算模块,用于根据所述第一信息计算得到第四信息,第四信息包括徐变系数和收缩应变样本数据;
构建模块,用于根据所述第四信息和预设的深度学习数学模型进行模型构建和训练处理得到第五信息,所述第五信息包括收缩徐变预测模型;
预测模块,用于根据所述第五信息对所述第二信息进行预测处理得到第六信息,所述第六信息包括长期收缩徐变曲线;
模拟模块,用于根据所述第六信息和所述第三信息进行数值模拟处理得到第七信息,所述第七信息为构筑物的长期变形数据;
其中,所述模拟模块包括:
第一构建单元,用于根据所述第三信息构建得到基础数值模型;
第一模拟单元,用于根据所述基础数值模型进行施工过程模拟得到初始条件,所述初始条件包括桥梁施工完成后的初始应力和变形状态;
第一整合单元,用于根据所述基础数值模型和所述第六信息中的长期收缩徐变曲线进行数据整合处理得到更新后的基础数值模型,并基于所述初始条件进行数值模拟处理得到长期变形模拟结果;
第一分析单元,用于根据所述长期变形模拟结果进行数据分析处理得到构筑物的长期变形数据;
其中,所述第一构建单元包括:
第五处理单元,用于根据所述第三信息中的结构设计参数利用预设的几何建模数学模型进行模型创建处理得到三维模型;
第六处理单元,用于根据所述第三信息中的设计使用条件和地理环境进行加载条件和边界条件的设定处理,得到桥梁的工作环境模拟参数,所述工作环境模拟参数包括载荷和支座约束;
第一配置单元,用于根据所述第三信息中的材料属性和所述工作环境模拟参数进行力学性能参数的配置处理,得到反应桥梁响应特性的力学参数,所述力学参数包括弹性模量和抗剪强度;
第一集成单元,用于根据所述三维模型、所述工作环境模拟参数和所述力学参数进行集成处理,并进行模型验证处理得到基础数值模型;
其中,所述第一集成单元包括:
第二整合单元,用于根据所述三维模型和所述工作环境模拟参数进行数据整合处理,通过将几何数据与环境因素结合,并将力学参数纳入模型得到初步数值模型;
第二分析单元,用于根据所述初步数值模型进行主成分分析处理,通过优化模型的参数集成得到综合数值模型;
第二模拟单元,用于根据所述综合数值模型进行力学行为模拟处理,通过预测桥梁在不同工作条件下的响应得到预测数据;
第一评估单元,用于根据预设的蒙特卡洛模拟数学模型对所述预测数据进行随机采样和分析处理,通过评估预测数据的概率分布得到评估结果,并基于评估结果进行模型优化处理得到基础数值模型。
5.根据权利要求4所述的构筑物的长期变形智能预测装置,其特征在于,所述构建模块包括:
第一处理单元,用于根据所述第四信息进行序列化处理得到时间序列数据;
第一提取单元,用于根据所述时间序列数据进行特征提取处理得到特征向量;
第一计算单元,用于根据所述特征向量进行创建查询、键和值的方式计算并更新注意力权重,得到加权的上下文向量;
第一转换单元,基于所述深度学习数学模型中的输出层对所述上下文向量进行全连接网络处理,利用线性变换和激活函数将特征向量进行转换得到预测结果;
第二处理单元,用于根据所述预测结果和所述深度学习数学模型进行训练处理,通过利用Adam优化器进行反向传播和参数更新得到第五信息。
6.根据权利要求4所述的构筑物的长期变形智能预测装置,其特征在于,所述预测模块包括:
第三处理单元,用于根据所述第二信息进行数据清洗处理得到实验数据集;
第二计算单元,用于根据所述实验数据集计算得到时间序列数据;
第四处理单元,用于根据所述第五信息对所述时间序列数据进行前向传播和特征识别处理,得到随机因子参数;
第三计算单元,用于根据所述随机因子参数和预设的规范转换数学模型计算得到第六信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311745878.3A CN117421816B (zh) | 2023-12-19 | 2023-12-19 | 一种构筑物的长期变形智能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311745878.3A CN117421816B (zh) | 2023-12-19 | 2023-12-19 | 一种构筑物的长期变形智能预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421816A CN117421816A (zh) | 2024-01-19 |
CN117421816B true CN117421816B (zh) | 2024-03-12 |
Family
ID=89532904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311745878.3A Active CN117421816B (zh) | 2023-12-19 | 2023-12-19 | 一种构筑物的长期变形智能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421816B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190086141A (ko) * | 2018-01-12 | 2019-07-22 | 인하대학교 산학협력단 | Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법 |
KR20200063308A (ko) * | 2018-11-20 | 2020-06-05 | 인하대학교 산학협력단 | 오토인코더를 이용한 psc 교량의 텐던 손상 추정 방법 |
CN114993240A (zh) * | 2022-05-27 | 2022-09-02 | 慧城(徐州)智能科技有限公司 | 一种用于桥梁变形高效且准确预测的深度学习技术 |
KR20230085364A (ko) * | 2021-12-07 | 2023-06-14 | 한국건설기술연구원 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
CN116776267A (zh) * | 2023-06-13 | 2023-09-19 | 西南交通大学 | 一种用于桥梁施工控制的无监督数据处理方法及系统 |
-
2023
- 2023-12-19 CN CN202311745878.3A patent/CN117421816B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190086141A (ko) * | 2018-01-12 | 2019-07-22 | 인하대학교 산학협력단 | Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법 |
KR20200063308A (ko) * | 2018-11-20 | 2020-06-05 | 인하대학교 산학협력단 | 오토인코더를 이용한 psc 교량의 텐던 손상 추정 방법 |
KR20230085364A (ko) * | 2021-12-07 | 2023-06-14 | 한국건설기술연구원 | 인공지능-기반 열화모델을 활용한 교량구조물의 유지관리 시스템 및 그 방법 |
CN114993240A (zh) * | 2022-05-27 | 2022-09-02 | 慧城(徐州)智能科技有限公司 | 一种用于桥梁变形高效且准确预测的深度学习技术 |
CN116776267A (zh) * | 2023-06-13 | 2023-09-19 | 西南交通大学 | 一种用于桥梁施工控制的无监督数据处理方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于LSTM深度学习理论的混凝土收缩徐变行为预测与分析研究;陈一新;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20220215(第2期);B015-518 * |
钢-混凝土组合梁收缩徐变行为分析研究;杨奇涛 等;《四川建筑》;20120628;第32卷(第3期);141-143 * |
Also Published As
Publication number | Publication date |
---|---|
CN117421816A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Novák et al. | ANN inverse analysis based on stochastic small-sample training set simulation | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN112633604A (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
Su et al. | An improved random forest model for the prediction of dam displacement | |
Fragkakis et al. | A cost estimate method for bridge superstructures using regression analysis and bootstrap | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN114239991A (zh) | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 | |
Aliberti et al. | Indoor air-temperature forecast for energy-efficient management in smart buildings | |
CN114510870B (zh) | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 | |
CN117910120B (zh) | 基于轻量化Transformer的风-桥系统抖振响应预测方法 | |
CN117421816B (zh) | 一种构筑物的长期变形智能预测方法及装置 | |
Wendner et al. | A case study on correlations of axial shortening and deflection with concrete creep asymptote in segmentally-erected prestressed box girders | |
Cheng | Serviceability reliability analysis of prestressed concrete bridges | |
CN116187153B (zh) | 基于层次贝叶斯的水工结构数字孪生模型更新方法 | |
Wang et al. | Data interpretation and forecasting of SHM heteroscedastic measurements under typhoon conditions enabled by an enhanced Hierarchical sparse Bayesian Learning model with high robustness | |
CN115457737B (zh) | 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 | |
Li et al. | An ANN-based short-term temperature forecast model for mass concrete cooling control | |
CN113743022B (zh) | 一种高精度气候变化数据的存储和可视化方法 | |
Jiang et al. | A novel quantile-based sequential optimization and reliability assessment method for safety life analysis | |
Song et al. | Long-term deformation safety evaluation method of concrete dams based on the time-varying stability of concrete material | |
Zheng et al. | Tunnel displacement prediction under spatial effect based on Gaussian process regression optimized by differential evolution | |
CN113673145A (zh) | 基于pca-lstm神经网络的地表沉降预测方法 | |
CN117216846B (zh) | 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 | |
Oh et al. | Realistic long-term prediction of prestress forces in PSC box girder bridges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |